目标跟踪的主要任务是评估被跟踪对象在视频序列每个场景中的轨迹模型,它在自动驾驶、目标行为分析等多个研究中发挥了积极的作用,是目前计算机视觉领域最重要的任务之一。目标跟踪任务需要跟踪器能够连续、准确地估计目标的位置及形状变化,然而实际场景中由于受到遮挡、背景干扰等多种因素的影响,实现准确、鲁棒的目标跟踪仍然存在很大挑战。本文以基于深度孪生神经网络的跟踪算法为基础,从特征提取和目标预测这两个角度出发,针对杂乱场景下背景相似干扰引起的跟踪漂移问题以及尺度估计时外部先验参数的引入引起的跟踪器泛化性能受限的问题进行研究和改进。为改善背景相似干扰引起的杂乱场景下跟踪漂移的问题,本文提出一种基于双重孪生网络自适应融合的目标跟踪算法。通过双重孪生网络结构关注前景与背景的特征差异,利用不同层次的特征进行目标描述,根据层次特征的差异性,采用注意力机制实现显著特征选择,并在跟踪时通过自适应融合获得更精确的目标表达,以此增强网络对目标与背景的判别能力。此外,在损失函数中引入权重因子改善正负样本不平衡的问题,引入缩放因子进行困难样本挖掘,以此提高模型对背景相似干扰的感知能力。实验结果表明,该方法能够提高背景杂乱场景下的跟踪性能。为改善外部先验参数的引入引起的跟踪器尺度估计能力受限的问题,本文提出一种基于像素级回归和目标定位选择的孪生网络跟踪算法。为提高模型的泛化能力,本文提出一种逐像素样本划分方式以避免边框比例等外部先验参数的引入,并在此基础上引入回归分支进行像素级偏差预测来实现自适应尺度估计。此外,为进一步提高遮挡场景下预测结果的准确性,本文提出目标定位选择机制,使用稳定性和可信度双重标准进行遮挡判断,针对严重遮挡的场景,结合卡尔曼滤波算法进行校正和优化,以此提高算法在遮挡场景下的跟踪性能。实验结果表明,该方法能够提高跟踪器在尺度变换和遮挡场景下的准确性。